ارایه یک رویکرد تشخیص بیماران کووید 19 با یادگیری ماشین و الگوریتم بهینه سازی عروس دریایی

بیماری کووید 19، یک بیماری کشنده تنفسی و واگیردار است و سالانه میلیون ها نفر را به کام مرگ می برد. مسئله اصلی برای مهار بیماری کووید 19، طبقه بندی افراد بیمار از افراد سالم است. برای تشخیص بیماران از افراد سالم تاکنون چند روش مختلف ارایه شده است که بیشتر آنها بر اساس پردازش تصویر سی تی اسکن بوده است. در این روش ها برای آنکه تشخیص داده شود فرد سالم یا بیمار است، تصاویر سی تی اسکن بیماران مورد بررسی قرار گرفته می شود. برای تجزیه و تحلیل تصاویر سی تی اسکن بیماران یا افراد سالم معمولا از روشهای یادگیری عمیق استفاده می شود. در این مورد فرض بر آن است که ویروس کرونا، روی بافتهای ریه فرد اثر گذاشته و به آن آسیب وارد کرده است. چالش اصلی این دسته از مطالعات آن است که فرض بر آن است که بیماری کووید 19 روی ریه های فرد اثر گذاشته و اثر آن در تصاویر سی تی اسکن مشخص شده است. مطالعات نشان می دهد که در بسیاری از موارد فرد مبتلا به بیماری کووید 19 است اما دارای ریه های سالمی است لذا نیاز به توسعه روشهای است که بر اساس سایر اطلاعات بالینی، بیماران و افراد سالم را طبقه بندی نماید. در این مقاله، برای طبقه-بندی افراد سالم و بیمار از یک مکانیزم طبقه بندی مبتنی بر شبکه عصبی چند لایه در ترکیب با الگوریتم عروس دریایی استفاده شده است. در روش پیشنهادی نقش الگوریتم عروس دریایی بهینه سازی پارامترهای شبکه عصبی و انتخاب ویژگی است. آزمایشات نشان داد روش پیشنهادی برای تشخیص بیماران کووید 19 می تواند به دقت، صحت و حساسیتی به ترتیب برابر 97.44%، 97.41% و 97.19% دست پیدا نماید. روش پیشنهادی در تشخیص بیماران کرونایی از روش های یادگیری نظیر ann، cnn، cnnlstm، cnnrnn، lstm، rnn عملکرد بهتری دارد.